Julie Baillon · IA, économie et travail de la pensée

Pourquoi le compte-rendu de réunion est le pire exemple d'utilisation de l'IA

Mon, 03 Aug 2026 00:00:00 GMT

Le compte-rendu de réunion est peut-être le pire exemple de l’utilisation de l’IA au travail.

Tout le monde branche son note-taker. Tout le monde enregistre. La réunion se termine et, quelques minutes plus tard, un compte-rendu impeccable apparaît : résumé, décisions, prochaines étapes, jolies puces. Une petite merveille de productivité.

Que personne ne lira.

En tout cas, pas plus qu'à l'époque où votre collègue préféré se dévouait à passer une heure à écrire laborieusement sa synthèse.

Maintenant, une IA met trente secondes à produire un compte-rendu que personne ne lit non plus. Nous n’avons pas résolu le problème. Nous avons industrialisé le problème.

Tout est stocké : des heures d’enregistrements que personne ne regardera à nouveau, des transcriptions bourrées de fautes que personne ne sait comment exploiter, des résumés qui iront mourir dans un dossier sur le réseau. Plus vite, moins cher et toujours aussi inutile.

C’est un bel exemple d’IA pour l’IA : automatiser un livrable sans se demander à quoi il servait.

Je ne veux pas utiliser l’IA pour écrire de meilleurs comptes rendus. Je veux qu’elle transforme les réunions en actions. Une décision doit mettre à jour le projet. Une tâche doit arriver dans l’outil de gestion, avec un responsable et une échéance. Un point bloquant doit remonter là où quelqu’un peut le traiter.

Le bon système ne relie pas seulement l’IA au note-taker. Il la relie à l’endroit où le travail avance.

Le reste, c’est une archive morte avant même d'être produite.

S'attaquer au sujet non résolu de l'IA en entreprise

Wed, 29 Jul 2026 00:00:00 GMT

J’ai l’impression que la nouvelle vague d’implémentateurs IA cible un entre-deux : des entreprises connaissant une croissance suffisamment forte pour avoir besoin d'IA, mais trop petites pour avoir une DSI structurée qui poserait très vite (et légitimement) des questions embarrassantes sur la sécurité des données et la maintenance de tels systèmes.

De mon côté, comme d'habitude, j'aime les extrêmes.

D'un côté, j’implémente des seconds cerveaux IA : des systèmes recomposés à partir de solutions open source, qui donnent à l’IA du contexte, des méthodes et des outils pour agir sans repartir de zéro à chaque conversation. Concrètement, ces systèmes permettent par exemple, après une réunion : collecter la transcription, croiser les décisions prises avec le planning initialement prévu, vérifier l'alignement avec la stratégie de l'entreprise, et distribuer les tâches à l’équipe.

C'est toute la philosophie derrière qui m'intéresse : rester maître de son contexte sans dépendre d'un fournisseur de modèle IA, retrouver de la clarté sur ses process métier, et permettre à chaque personne de travailler avec un système taillé sur-mesure. Tout cela sans dépendre d'une solution de marché (souvent inadaptée ou peu performante).

En parallèle, je fais des missions de conseil en IA en environnement très contraint avec des impératifs de cybersécurité, de souveraineté, de maintenance évolutive et d'optimisation des coûts à l'échelle.

Vu de l’extérieur, ça fait très « red flag ». Est-ce que je me parjure selon les clients ?

Je ne crois pas.

Si j'ai choisi de défendre ces solutions "nouvelle génération" tout en connaissant leurs limites en entreprise, c'est pour attaquer le problème à bras-le-corps : voir ce qui fonctionne vraiment en production, sans attendre qu’un acteur américain ou chinois trouve la solution "miracle" qui lui apportera un monopole intenable pour la plupart des organisations européennes dans un contexte géopolitique déjà tendu.

Je ne peux pas m’arrêter à « La DSI ne laissera jamais passer ça. »

Sinon, deux options : dépendre d’éditeurs qui choisiront les coûts et les règles, ou devoir tout refaire soi-même en mobilisant les équipes internes sur des projets coûteux dont on ne connaît pas encore le ROI.

Une alternative existe mais elle est encore plus inconfortable, car les contours de ses limites et de ses bénéfices ne sont pas encore bien définis. Il s'agit de reprendre ce qu'il y a de mieux sur le marché et d'assembler le tout de manière modulaire, avec la possibilité d'interchanger chaque pièce. Ça demande un état d'esprit particulier que toutes les entreprises n'ont pas encore l'envie (ou les moyens) d'adopter.

Et pourtant, en faisant ça, on acquiert du savoir, on apprend. Chaque itération laisse une trace : une clarification du process métier, une règle spécifique : des actifs qui rendent l’organisation plus apprenante.

Ma conviction est que l'on doit pour le moment composer avec un portefeuille de solutions complémentaires, en assumant différents stades de maturité.

Le sujet n’est pas résolu. C’est ça qui m’intéresse.

De la difficulté à choisir le « bon » modèle IA

Tue, 28 Jul 2026 00:00:00 GMT

Pourquoi personne ne nous explique jamais clairement quel modèle choisir, concrètement ?

Même Anthropic, dans son guide, recommande de construire des tests spécifiques à chacun de ses cas d’usage, avec ses vrais prompts et ses données réelles. Les caractéristiques techniques d’un modèle ne suffisent pas à trancher : la réponse dépend de la tâche.

J’utilise plutôt un triangle. Au centre : la tâche. Autour, trois sommets : le modèle, l’effort que je lui demande et la méthode que je lui fournis. Cette méthode peut tenir dans un prompt ponctuel ou dans un skill construit au fil du temps.

Le triangle me dit quel levier tester avant de changer de modèle.

Prenons une analyse qui doit suivre une méthodologie précise. Sonnet accompagné d’un skill qui détaille les étapes, les critères de qualité et le format attendu peut faire mieux qu’Opus lancé avec une demande vague. La méthode compense une partie de l’écart entre les modèles.

Mais l’inverse existe aussi. Sur mes tâches longues en plusieurs étapes, Opus 5 peut faire moins bien avec un skill trop précis que lorsqu’il organise lui-même son travail. Des consignes utiles à Sonnet peuvent devenir contre-productives pour Opus.

Je pars donc de la tâche. Si la méthode est stable, je travaille d’abord le skill. Si la méthode reste à construire, je donne davantage de liberté au modèle. Ensuite seulement, j’ajuste l’effort ou je change de modèle.

Je ne sais pas jusqu’où ce triangle résistera aux prochaines générations. Pour l’instant, il m’évite surtout de changer de modèle chaque semaine.

Entre rédiger un mail et remplir les onze onglets Excel

Mon, 27 Jul 2026 00:00:00 GMT

Quand j’ai commencé à former des équipes à l’IA, j’avais peur de me lasser. De répéter toujours la même chose. Un an plus tard, je constate plutôt qu'aucune séance ne se ressemble.

Et surprise : ce n'est pas dû à la vitesse effrénée à laquelle les outils changent. Loin de là.

Un jour, une participante de prime abord plutôt réfractaire à l’IA est venue me voir en fin d'atelier et m'a confié que, sans avoir totalement changé d'avis, elle était contente d’être venue et d'avoir mieux saisi le champ des possibles.

Ce jour-là, la session m'avait vidée et je n'avais pas tout de suite manifesté mon plaisir d'avoir été utile. Heureusement, car mon petit cri de victoire n'aurait pas duré.

Elle a poursuivi en me disant qu'elle voyait bien ce que l’IA pouvait apporter aux postes de direction… mais pas au sien. Elle était assistante administrative.

C'est là que je me suis dit que j’avais totalement raté l'atelier.

Mon pari était simple : montrer assez de possibilités pour que chacun imagine ce que l’IA pourrait changer dans son travail. Je laissais à leur imagination le soin de faire le lien entre les démos et la réalité de leur quotidien.

C’était beaucoup demander.

Quand on connaît mal un outil, on vise souvent trop petit (corriger des fautes, rédiger un mail, résumer un document) ou trop grand (remplir les onze onglets d’un fichier Excel).

Autrement dit, entre l'assistant sympa mais gadget et le sésame qui ouvrira la refonte (que dis-je, l'AUTOMATISATION !) d'un processus entier, difficile de trouver un cas d'usage qui soit de la bonne taille. Une tâche assez précise pour être expliquée, mais aussi assez importante pour retirer un vrai irritant. Et avec un résultat que l’on peut vérifier, un gain de temps que l'on peut mesurer et un ROI que l'on peut évaluer dans un bilan financier…

Bon.

En pratique, cette bonne taille ne se trouve pas dans une liste de cas d’usage. Il faut partir du travail de la personne.

Pour cette participante, cela aurait voulu dire reprendre ce qu’elle faisait chaque jour : ouvrir des fichiers, les renommer, vérifier des documents. Puis choisir une seule étape. Par exemple, laisser l’IA examiner un lot de documents selon ses critères et lui signaler ceux qui demandaient son attention.

Rien de spectaculaire. Une étape de moins dans sa journée, sans lui retirer le contrôle.

C’est peut-être là que former à l’IA devient si personnel. Je peux montrer les mêmes possibilités à toute une salle. Je ne peux pas décider à la place de chacun où l’IA pourrait entrer dans son travail.

Je cherche encore comment faire ce passage en collectif.

Bien utiliser l'IA : 7 définitions

Fri, 24 Jul 2026 00:00:00 GMT

1. Gagner du temps, à condition de le mesurer. « On veut gagner du temps. » C'est la première réponse quand je demande l'objectif d'un projet IA. Je pose alors deux questions : sur quelle tâche, et combien elle prend aujourd'hui. Il est rare que quelqu'un ait la réponse, et c'est pourtant la seule base qui permettra, plus tard, d'établir le moindre gain.

Pour autant, le temps qu'on gagne en confiant du travail à la machine est du temps qu'on ne passe plus à pratiquer les tâches qui font le métier.

2. Choisir ce que vos équipes ne doivent pas déléguer. Des gastro-entérologues habitués à travailler avec une IA voient leur taux de détection baisser dès qu'on éteint l'outil ; c'est ce qu'a mesuré une étude du Lancet Gastroenterology & Hepatology. « L'humain dans la boucle » ne protège de rien s'il valide sans plus jamais pratiquer. La compétence se perd car on la croit figée une bonne fois pour toutes dans une fiche process. Or ce qui part en premier, c'est le jugement, et le jugement ne se documente pas.

Pendant qu'une compétence s'efface, d'autres apparaissent chez les mêmes équipes : vos experts métier savent maintenant construire eux-mêmes.

3. Laisser vos experts construire sans supervision. En formation, je vois des responsables métier assembler en deux jours les outils qu'ils réclamaient à leur DSI depuis un an : un tableau de bord des résiliations, un agent qui rédige les briefs SEO. Aucun n'a écrit une ligne de code. Ce qui leur manquait tenait en un mot : l'autorisation. Personne ne la leur avait donnée, et personne ne s'était demandé qui devait la donner, jusqu'où, avec quelles données.

Faute de ce cadre, chacun construit dans son coin, et une collection d'outils personnels ne fait pas un système.

4. Transformer les initiatives individuelles en actif de l'entreprise. Chaque fois que j'ai vu une entreprise ouvrir les outils à tout le monde sans méthode, le même verdict est tombé quelques mois plus tard : « On ne voit pas le ROI ». Pourtant, en cherchant bien, on trouve toujours quelques personnes qui ont mis au point quelque chose qui marche vraiment.

Ces trouvailles améliorent le travail tel qu'il existe. Elles ne touchent pas à la façon dont il a été organisé, bien avant l'IA.

5. Repenser le métier, pas automatiser les tâches. En atelier métier, on a tendance à lister des tâches à automatiser. C'est la mauvaise entrée, celle qui ne produit que des gains marginaux. Je demande alors ce que serait cette équipe si on la créait aujourd'hui, avec l'IA disponible dès le premier jour : la même taille, les mêmes rôles, les mêmes process ? L'équipe se redessine autour de l'outil, et la croissance n'est plus une question d'effectifs.

Mais une organisation redessinée produit plus vite que ses dirigeants ne décident : le goulot remonte au comité de direction.

6. Décider au rythme de la production. Les équipes livrent en quelques jours. Les arbitrages, eux, mettent des mois à tomber, et l'IA ne fait qu'allonger la file d'attente devant votre bureau. Quand je cherche quels risques sont pré-acceptés, quels seuils déclenchent un go sans réunion, personne dans la salle ne peut me le dire, et tout continue de remonter jusqu'à vous. Le blocage n'a jamais été technique.

Une erreur de machine, elle, ne ressemble pas à une erreur : elle est bien écrite, elle est sûre d'elle, et elle passe.

7. Ne jamais faire payer la vitesse avec la confiance. « On mettra une mention en bas de page. » C'est souvent tout ce qui est prévu pour qu'un client sache qu'il parle à une machine. Un contenu généré, quelqu'un doit le relire et l'assumer ; un agent en contact avec vos clients doit s'annoncer pour ce qu'il est. Appelez ça de l'éthique si vous voulez ; moi j'y vois un actif. Un seul agent qui hallucine en public coûte plus cher que tout le temps gagné plus haut.

On sait chiffrer le temps qu'on gagne. Personne ne sait chiffrer la confiance qu'on perd, alors elle ne pèse dans aucun arbitrage.

Une société sans emploi n’est pas une société sans travail

Wed, 22 Jul 2026 00:00:00 GMT

Si l’IA finit par travailler à notre place, il faudra imaginer une société sans emploi.

Dans le scénario prospectif de Peter Diamandis, les machines finiraient par conduire, diagnostiquer, construire, enseigner et produire. Les entreprises auraient de moins en moins besoin de payer des humains. Un revenu universel et la baisse du coût de la vie remplaceraient progressivement le salaire.

Mais le travail ne saurait se réduire à une somme de compétences.

Un emploi est une forme rémunérée et organisée du travail. Il peut être décomposé en tâches : écrire un rapport, poser un diagnostic, déplacer une palette, préparer un cours. Puis chaque tâche peut être confiée à une machine.

Le travail va au-delà d'une liste de tâches à faire.

Pour beaucoup, il offre aussi une responsabilité, une confrontation avec un réel qui résiste, le sentiment de contribuer à quelque chose qui dépasse sa propre consommation.

Laurent Alexandre voit surtout dans le travail une discipline nécessaire sans laquelle nous finirions sous Prozac. Diamandis le traite comme un coût de production que la technologie peut ramener à zéro.

Les deux le réduisent : l’un à sa contrainte, l’autre à ses compétences.

L’IA peut supprimer des tâches, fragiliser des métiers et rendre l’emploi moins nécessaire à la production. Elle ne fait pas disparaître les autres fonctions que nous avons confiées au travail.

Le revenu universel répondrait à la disparition du salaire. Il ne dirait rien de la responsabilité, de la contribution ou de la place parmi les autres.

C’est la vraie question d’une société post-emploi : que choisirons-nous d’appeler « travail » lorsque l’emploi ne sera plus là pour en fixer les contours ?

Il faudra alors apprendre à reconnaître le soin, l’apprentissage, la création ou l’engagement comme du travail, même lorsqu’aucune fiche de poste ne les réclame.

Le cas d’usage IA le plus sous-estimé

Tue, 21 Jul 2026 00:00:00 GMT

Répondre à un mail est le cas d’usage qu’on me demande le plus souvent en formation. C’est aussi celui sur lequel je passe le plus vite.

« Mais oui, ça, c’est facile. »

Traduction : ce n’est pas assez spectaculaire. Personne en 2026 ne repart ébloui parce qu’un chatbot a su pondre un mail.

Tout le monde sait faire.

Sauf que personne ne le fait sans ressentir un léger sentiment d’imposture en cliquant sur « Envoyer ».

L’étrange cas du mail résume tout le paradoxe de l’IA : il est si facile d’obtenir une réponse correcte de l’IA que ça en devient presque absurde, et pourtant si difficile d’obtenir une réponse juste.

Une réponse bien tournée, un poil trop polie mais passe-partout ? Facile.

Une réponse qui dit exactement ce que vous voulez, comme vous le souhaitez mais avec subtilité pour respecter tous les codes de la bienséance à la française ? C’est une autre paire de manches.

Il faut donner le contexte, préciser son intention, poser des contraintes et fournir des exemples. Puis corriger : trop froid, trop servile, trop long. Et transformer ces corrections en règles pour la prochaine fois.

Le contexte. Les contraintes. Les exemples. Les critères de réussite. L’itération. La mémoire.

Ce petit cas d’usage contient presque tout ce qu’il faut comprendre pour bien utiliser l’IA.

Et le sentiment de gratification est quasi immédiat. Ce mail, il fallait bien l’envoyer, de toute façon. Et pour une fois, c’est la technologie qui s’adapte à moi, pas l’inverse.

Ce n’est pas la révolution du travail. C’est juste un mail envoyé.

Mais la prochaine fois que vous voudrez apprendre à maîtriser l’IA, n’allez pas chercher midi à quatorze heures. Commencez par ce mail que vous repoussez depuis ce matin.

Je ne priorise plus les cas d’usage IA avec une matrice

Mon, 20 Jul 2026 00:00:00 GMT

La matrice Faisabilité × Impact laisse penser que ces deux axes sont des propriétés intrinsèques à chaque cas d’usage.

Ils dépendent en réalité de tout ce qui l’entoure.

Faire gagner deux heures à quelqu’un ne crée pas un gain proportionnel. Ce temps peut certes être réemployé pour améliorer la qualité de service ou faire émerger une nouvelle offre, mais aussi, très banalement, disparaître dans davantage de réunions.

Tout dépend de la manière dont le travail se réorganise.

Même problème avec la faisabilité. Veille, documents, contenus, synthèses, recherche dans des bases de connaissances : bien utilisés, les outils standards couvrent déjà une bonne partie de ces usages.

Ce qui change la donne, c’est l’environnement. Les données sont-elles accessibles ? Les équipes ont-elles les bons outils ? Savent-elles s’en servir ?

Je préfère raisonner en paris plutôt qu’en catégories figées.

Tester rapidement les usages accessibles, sans construire toute une usine à gaz autour. Et réserver les investissements lourds aux transformations qui le méritent vraiment : réinventer un métier ou un service.

Et tous les cas d’usage IA qui se trouvent entre les deux ? À oublier. Souvent des projets qui automatisent à grande échelle des process qui seront soit périmés demain, soit absorbés dans les grands modèles généralistes des labs américains ou chinois.

L’industrialisation viendra, oui.

Quand le processus aura prouvé qu’il mérite de survivre.

En attendant, il s’agit de savoir choisir ses batailles.

Le calvaire du dernier kilomètre… Quand l’IA a « presque » fini

Sun, 19 Jul 2026 00:00:00 GMT

Le texte IA le plus trompeur n’a pas l’air mauvais. Il a l’air terminé.

J’ai passé assez de temps à m’arracher les cheveux sur des textes générés par l’IA pour savoir ce qui m’énerve. Rien n’y est manifestement faux. Un vernis brillant et semi-transparent fait de phrases fluides et d’affirmations logiques rend le tout convaincant.

La tentation est grande de l’envoyer, après « deux ou trois modifications ».

Ces petites corrections deviennent vite une heure de calvaire. On finit par comprendre qu’on est loin du compte. Not quite there, comme disent les Anglais.

Le texte manque de justesse dans le raisonnement, dans la manière d’amener les choses, dans le phrasé.

Il faut relire chaque phrase pour retirer le fameux AI slop : le tiret cadratin « — », les formulations en « Ce n’est pas X, mais Y », « Le vrai sujet, c’est X »…

Si bien qu'on finit par se dire qu’il serait beaucoup plus rapide de tout réécrire en repartant de zéro.

Pendant la première vague d’IA générative — l’époque des GPT o4 et Sonnet 3.5, avant que le « raisonnement » devienne monnaie courante — je demandais à l’IA des fragments d’idées pour sortir de la page blanche. Le reste restait manuel : mes bonnes vieilles méthodes de travail.

Puis j’ai vu des tutoriels YouTube et des auteurs que j’apprécie partager ouvertement la façon dont l’IA les aide au quotidien. Je ne pouvais pas m’arrêter à cette irritation. Il y avait forcément quelque chose à creuser.

Je suis donc revenue à mes bons basiques : cadrer, corriger, capitaliser. Et ça fonctionne.

Cadrer

Une de mes règles sacro-saintes : ne jamais commencer une interaction avec l’IA sans savoir quelle est mon intention.

Je ne sais pas toujours exactement où je vais arriver ni ce que le texte va donner. Mais je sais ce que je cherche à faire, et pourquoi. Je partage la finalité avec l'IA, puis je vide toutes mes idées en vrac.

Ensuite, je demande à l’IA de me poser les questions nécessaires pour clarifier mon intention. Sans commenter tout de suite. Sans analyser ce que je dis. Simplement des questions.

« Ne commente pas mes notes, ne propose pas de plan. Pose seulement les questions nécessaires pour comprendre ce que ce texte doit accomplir, pour qui il est écrit et ce qui compte vraiment. »

C’est seulement une fois que j’ai tout déchargé que je lui demande de créer un premier brouillon.

Corriger

Quand un collègue vous demande votre avis sur un travail encore loin de ce qu’on attend, vous ne prenez pas votre stylo rouge pour annoter chaque phrase. Par bienveillance ou par efficacité.

Quelle qu’en soit la raison, vous y allez étape par étape. D’abord, on le remet dans la bonne direction. On lui rappelle ce que le travail doit produire, ce qui compte vraiment et ce qu’il faut éviter.

« Ce mémo n’est pas descriptif. Il doit aider un dirigeant à décider. Ne répète pas le même argument. Trois minutes de lecture, seulement ce qui éclaire la décision. »

Je fais pareil avec l’IA.

Si le premier résultat reste trop loin, je ne change pas phrase par phrase. Je rappelle la finalité. Je donne quelques exemples où les corrections sont évidentes. Puis je demande de reprendre depuis le début.

Pour un travail long, je lui demande aussi de se relire et de reprendre le texte plusieurs fois.

« Relis ce texte à partir de son objectif. Donne-lui une note sur 10, reprends-le, puis recommence au moins cinq fois. Fais évaluer chaque version par un autre agent, sans lui montrer les notes précédentes. Vérifie toi-même le résultat avant de t’arrêter. »

Je n'attends pas de l'IA qu'elle me produise une version finale. J'en attends une version correcte que je peux enfin juger dans son ensemble.

C’est à ce moment-là que je reprends la main : le ton, la nuance, le mot en trop, la phrase qui sonne faux. Et surtout, élaguer, supprimer, simplifier.

Capitaliser

À la fin de chaque session, je demande à l’IA d’extraire les apprentissages à retenir pour ne pas reproduire les mêmes erreurs la prochaine fois que nous travaillons sur un texte. Je garde une trace de ces retours. Comme ça, je ne repars jamais de zéro.

Le dernier kilomètre avec l’IA reste le plus compliqué. Il est encore assez laborieux. Mais c’est la meilleure méthode que j’ai trouvée pour le moment.

Comme le disait Blaise Pascal :

« Je n’ai fait celle-ci plus longue que parce que je n’ai pas eu le loisir de la faire plus courte. »

Mes outils

Murmure, pour dicter rapidement à l'IA les consignes de réorientation
Draft Review Kit, pour relire un brouillon de texte sous plusieurs angles
Plannotator, pour annoter précisément le texte généré par l'IA

Mon système IA va trop loin

Sat, 18 Jul 2026 00:00:00 GMT

Mon système IA va trop loin.

Il contient des fichiers qui expliquent qui je suis et ce que je fais, et parce que j’ai une légère obsession à vouloir tout calibrer au cordeau, j’ai même documenté comment je m’adresse à chacun de mes clients.

Au début, les gens trouvent ça génial. Puis ils voient les fichiers. Ils découvrent que j’ai écrit si j’utilise le tutoiement ou le vouvoiement avec ce client, le niveau de distance professionnelle et la posture que j’adopte pendant les échanges. Ils n’osent pas toujours le dire à voix haute, mais je vois bien qu’ils se demandent si tout cela ne va pas trop loin. Si on a vraiment besoin de tout ça.

Et je suis bien d’accord avec eux. Ce n’est pas moi qui ai besoin de tout ça.

Toutes ces informations sont déjà dans ma tête. Je n’ai pas besoin d’une prothèse numérique pour me rappeler qui je suis avant de répondre à un mail.

Je pense que le terme de « second cerveau » nous induit en erreur. On imagine un outil construit pour assister notre mémoire, ce qui n’est pas mon cas.

Le système sert de contexte de travail à mon agent IA.

Sans système, chaque fois que je demande à une IA de répondre à un mail, je corrige (tout le temps), je soupire (beaucoup) et je finis (souvent) par écrire moi-même la moitié de la réponse.

Je cherche donc à lui recréer une mémoire permanente : l’objectif du projet, l’historique des décisions, mon rôle et le ton que j’emploie. Je dois rendre lisible par la machine ce qu’un collaborateur apprendrait progressivement en travaillant avec moi.

Sans cela, impossible de lui confier une tâche de bout en bout.

C’est ainsi que mon agent IA peut répondre à un mail sans tomber dans l’habituelle bouillie professionnelle politiquement correcte et dénuée de tout intérêt.

Ce travail de systématisation a un effet de bord positif. Pour expliquer quelle posture adopter, je dois comprendre ce que je cherche à obtenir, ce que je refuse de sacrifier et mettre des mots sur ce que j’apporte à mes clients.

Mais ce travail de documentation finit aussi par modifier ma façon de travailler.

Aujourd’hui, j’enregistre toutes mes réunions. Je n’en suis pas encore à poser mon téléphone sur la table à chaque conversation, mais à chaque appel, j’ai dans un coin de ma tête la même question insidieuse : « Est-ce que ce ne serait pas mieux d’enregistrer cet appel ? »

En réunion, je reformule parfois une décision déjà claire pour les humains parce qu’un agent relira l’enregistrement. Je récapitule pour quelqu’un qui n’est pas dans la pièce. Je parle à un futur lecteur artificiel.

Et honnêtement, ce n’est peut-être pas plus mal. Reformuler les décisions et vérifier que tout le monde a compris la même chose sont de bonnes pratiques. Je serais stupide de les rejeter parce qu’une machine m’y pousse.

Ça ne veut pas dire que la machine est neutre.

Dans un essai consacré aux outils qui enregistrent automatiquement les conversations, l’autrice Joan Westenberg écrit ceci, je traduis :

« Quand un outil de prise de notes par IA apparaît, les coulisses disparaissent : on est toujours sur le devant de la scène, toujours en représentation, toujours en train d’entrer dans l’archive. »

Son outil enregistre une interaction ; moi, je choisis le contexte donné à mon agent. Mais dès qu’on sait qu’une trace sera relue, on parle autrement.

Quand je parle aux humains dans la pièce, je prépare déjà la lecture qu’en fera la machine.

Mon agent fantôme fait peut-être de moi une meilleure professionnelle.

Et je me demande si ce système ne commence pas, lui aussi, à réécrire mon fichier de fonctionnement.

Vous n’avez pas besoin d’écrire vos specs

Fri, 17 Jul 2026 00:00:00 GMT

Je profite des derniers jours de Fable (jusqu’à ce qu’Anthropic nous annonce qu’ils prolongent à nouveau l’accès) pour regarder jusqu’où je suis allée avec l’IA dans un domaine qui n’est pas le mien : le product management.

Quand j’ai demandé à l’IA ce qu’elle en retenait, elle m’a sorti les poncifs habituels : tu cadres et tu exécutes, ta valeur est dans le cadrage et le jugement…

Bon.

Que diable retenir de ces centaines d’heures passées à emprunter aux product managers leur expertise — garantir qu’un produit reste utile et cohérent — sans reprendre leurs process, hérités d’un monde déjà ancien : cadrage, spécification, validation, puis exécution ?

Prélever juste assez d’expertise

La moi d’avant aurait passé ses soirées à lire pour se faire un vernis d’expertise.

Maintenant, je chasse le bon mot. LE bon concept métier : celui qui oriente l’IA sans tout lui réexpliquer.

Je lui ai demandé le glossaire de l’apprentie product manager : user story, product requirements, wireframe, customer journey, jobs to be done.

Puis je fais appel à des experts sous forme de skills. GitHub regorge de repos d’experts et d’aficionados qui ont transformé leur savoir en fichiers réutilisables.

Le vrai Service-as-a-Software.

Passer de la finalité au rendu sans tout spécifier entre les deux

Je donne mon idée brute et je cadre la finalité : qu’est-ce que je cherche à construire ? Pas quelles fonctionnalités je veux y mettre.

Par exemple : « Un playbook pour rendre les gens autonomes. »

Parfois, je dis ce que je ne veux pas : « Une énième application de gestion de tâches ou de calendrier corporate, froide et sans âme. »

Je donne l’intention.

Puis j’emprunte à Mark Pincus sa méthode Proven, Better, New : demander à l’IA d’aller chercher des concepts éprouvés pour en faire quelque chose de nouveau.

Les skills produisent des problem statements, des personas ou des user stories. Je ne les lis pas. Ces documents servent de mémoire à l’IA pendant le build.

Je demande plusieurs rendus. Je choisis. Je critique. Je chipote. Je transmets tout dans des notes vocales. Avant, j’aurais séparé les registres et les niveaux de décision. Maintenant, j’y vais pêle-mêle.

Dans la même note, je peux dire :

« Il faudra déplacer le bouton en bas à droite pour qu’il soit plus visible. »

Puis remonter à l’intention :

« Ce n’est pas assez limpide pour être utilisé par un C-level qui n’a pas le temps d’ouvrir tous ces onglets. »

À la fin de chaque session, je demande à l’IA d’extraire ce qu’il faut pour mettre le repo GitHub à jour : composants, règles, décisions, recadrages. Elle réécrit les spécifications après coup.

Une aberration dans le monde d’avant, où la réalisation attendait la fin de la sacro-sainte phase de cadrage, relue et tamponnée.

Je laisse la documentation se corriger au contact du rendu.

Flaubert écrivait : « Il n’y a pas de belles pensées sans belles formes, et réciproquement. »

Cent soixante-dix ans plus tard, je crois que nous parlons de la même chose, en version IA.

Étrangement, c’est le rendu qui me révèle ce que je voulais.

Cette pratique est imparfaite

L’exécution prend encore du temps : je peux passer trois heures à comparer des options et à vérifier le résultat. Mais je peux obtenir en un prompt une première maquette qui aurait exigé plusieurs jours de travail.

Le rendu devient un outil de pensée.

Je risque de moins comprendre, d’oublier l’historique, voire de perdre la maîtrise des décisions. Cette méthode se transpose mal au travail en équipe.

Cette pratique imparfaite me convient, pour le moment. Je cherche la vitesse sans abandonner l’intention.

Et atteindre l’exécution avant la perfection.

Le repo, les skills et les outils

Le playbook UNSS
Claude Code, avec Fable
Draft Review Kit, pour relire mes textes sous plusieurs angles

Le cas d'usage IA ne veut plus rien dire

Thu, 16 Jul 2026 00:00:00 GMT

J'ai refait la backlog des projets IA mille fois.

Par priorité. Par statut. Par équipe. Par typologie.

La typologie… Parlons-en, de la typologie.

Le problème, c'est qu'elle mélange des objets qui n'ont ni la même taille, ni la même fonction, ni le même horizon de valeur.

D'un côté, les quick wins, ces cas d'usage « simples et rapides à mettre en place ». Ceux de la race des grands gagnants qui vont profiter à tous. Oui, tous ! Le compte rendu qui s'envoie tout seul après la réunion, le résumé automatisé qui dispense de lire ce dossier interminable.

Ensuite viennent les projets emblématiques. Ah, les grandes promesses ! Ceux qui vont transformer toute l'organisation : des processus métier automatisés de bout en bout, du genre à remettre en question le sens même du mot « travail ».

Enfin, il y a les sujets de fond. Ceux que je ne sais jamais où mettre. Ils sont « structurants », mais longs, compliqués et parfois même pas pour tout de suite. Données, infrastructures, gouvernance : ils restent dans la backlog parce qu'il ne faut surtout pas les oublier.

La backlog grossit, et on finit par ne plus savoir expliquer ce qu'est un « cas d'usage IA ». Pourtant, il faut la piloter, cette feuille de route.

On essaie de tout prioriser avec les mêmes critères. Pire : de tout rebalayer comme une liste de projets à chaque comité de pilotage.

Après trois ans à piloter des feuilles de route IA, j'ai fini par simplifier la backlog en trois objets : le chantier métier pour la finalité poursuivie, le processus métier pour le travail à transformer, et la capacité IA pour ce que l'on construit une fois et réutilise ailleurs.

La backlog ne peut être qu'un mélange mouvant des trois.

Comment pourrait-il en être autrement, alors qu'on ne se contente plus d'automatiser le métier tel qu'il existe, mais qu'on commence à réinventer le métier et l'organisation ?

Je ne cherche donc plus la feuille de route parfaite. Je nomme la nature de chaque élément, je documente ses relations avec les autres, puis je demande à l'IA de générer la vue utile à la décision du jour : les priorités pour la direction, la charge pour les équipes, les capacités acquises pour la suite.

Une feuille de route IA ne peut pas se résumer à une liste de cas d'usage.

Un cas d'usage part du métier tel qu'il existe.

Une capacité oblige à imaginer le métier tel qu'il pourrait exister.

Je veux plus livrer de PowerPoint

Wed, 15 Jul 2026 00:00:00 GMT

Quand j’ai écrit sur mon site « J’aide les équipes à réenchanter leur quotidien », j’y croyais sans l’avoir encore matérialisé. Après une scale-up puis un cabinet de conseil, je me demandais si ce n’était pas réservé à ceux qui pouvaient se le permettre.

Ce matin, un billet d’a16z a formulé exactement ce que je cherchais :

“But I think the more interesting thing about AI is that it’s also the other kind of technology, the paintbrush kind, the kind that lets us express ourselves as humans.”

Pourtant, je continuais comme avant : rassembler les documents, préparer un dossier ZIP, rédiger un mail pour expliquer quel fichier contenait quoi.

Je parlais de réenchanter le quotidien, mais je livrais encore des fichiers.

J’ai créé un portail pour mon client. Il y retrouve notre travail et les ressources à tester. Quand il se demande « Où en est-on avec Julie ? », il l’ouvre.

Un stylo a toujours prolongé ma main. Avec l’écran, je ressentais une distance entre ce que j’imaginais et ce que je pouvais fabriquer. Avec l’IA et la voix, l’ordinateur devient le prolongement de ma pensée.

Je ne veux plus livrer un fichier. Je veux livrer un espace de jeu : quelque chose de malléable, qui suscite une réaction et enclenche une discussion.

L’auteur écrit aussi : “People who spent years as spectators of their own ambitions are finally actualizing them.”

Je n’étais même pas spectatrice de ces ambitions. Elles restaient dans ma tête, avec les dessins et les choses que je fabriquais en dehors du travail. Au travail, je revenais aux formes propres, fonctionnelles, corporate.

La vraie magie de l’IA, ce n’est pas qu’elle soit suffisamment intelligente pour tout faire toute seule. C’est qu’elle me permette de travailler comme j’en ai envie.

Admin, orga, delivery : gérer un projet client avec l'IA

Tue, 07 Jul 2026 00:00:00 GMT

Fin mai, devant une centaine de freelances et de consultants, j'ai prononcé ASCII « assis ». Un participant m'a corrigée dans le chat. Je raconte cet épisode parce qu'il résume tout le sujet. J'ai travaillé huit ans dans l'IA, côté projets et organisations, jamais côté code. Tout mon travail consiste à prendre ma logique métier et à l'adapter pour qu'elle rentre dans des logiques d'ingénieur, en réutilisant les outils des codeurs sans forcément savoir ce qu'ils recouvrent, ni comment ils se prononcent. Parce que pour maîtriser un système IA, inutile de maîtriser le langage technique. Ce qui compte, c'est votre savoir-faire métier et le bon sens qui va avec, et votre capacité à l'expliciter à l'IA : c'est elle qui le transcrit en technique. Le vocabulaire suivra, ou ne suivra pas, et ça n'a aucune importance.

La session a duré deux heures ; j'en livre ici l'essentiel. Rien de ce qui suit n'est une théorie : c'est mon système réel, celui qui tourne pendant que j'écris ces lignes.

Un bon système est un système qu'on utilise

Pas un système parfait. Un système qu'on utilise. La distinction a l'air anodine, elle change tout : un système doit s'adapter à vous (votre activité, votre manière de travailler, même votre gestion de l'énergie), et pas l'inverse. Vous êtes expert de votre métier. Personne d'autre ne peut vous dire comment le faire.

Donc faites votre marché dans ce qui suit. Prenez ce qui vous parle, laissez le reste, et surtout adaptez. Chaque prompt que je donne est fait pour être modifié.

Deux mots de vocabulaire avant de démarrer :

Le second cerveau : un dossier de fichiers texte (markdown), chez moi dans Obsidian, où vit tout mon contexte de travail : projets, clients, décisions, notes. C'est la matière que l'IA lit.
Un skill (ou une commande) : un process documenté dans un fichier, que l'agent IA (Claude Code, OpenCode ou équivalent) exécute quand je l'appelle. /cr_reunion lance mon process de compte rendu, /facturation mon process de facturation.

Mon cadre tient en trois piliers : l'admin pour gagner du temps, l'orga pour gagner en clarté, le delivery pour gagner en qualité.

Le système complet en version interactive. Naviguez avec les flèches ← / →.

01 · Admin : gagner du temps

Un projet est un petit système

Un projet client a le même cycle de vie que votre organisation entière, en miniature : une initialisation, une vie, une clôture. J'en tire une conséquence simple : je duplique la structure de mon second cerveau à l'échelle de chaque projet. Un dossier documents (la matière reçue), un dossier notes (le travail intermédiaire), un dossier livrables, et des fichiers de référence.

Six fichiers qui évitent de repartir de zéro

C'est la fondation de tout le reste. Dans chaque projet :

contexte.md : le client, l'enjeu, l'historique
propale.md : ce qui a été vendu, exactement
planning.md : le macro-planning et les jalons
réunions.md : l'index des réunions
arbitrages.md : l'index des décisions
tâches.md : ce qui reste à faire

Ce sont des documents de référence, pas des documents de travail. Pour ceux qui viennent de la data : ce sont mes golden sources. Toutes mes commandes s'appuient dessus : le compte rendu vérifie la cohérence avec les arbitrages, la facturation lit la propale, le suivi lit le planning. Sans eux, chaque commande repartirait de zéro et re-scannerait tout le projet à chaque appel.

La bonne nouvelle : vous n'aurez presque jamais à remplir ces fichiers vous-même. Ma commande /new_project crée la structure et la peuple avec les transcriptions des calls d'avant-vente et de kick-off (n'importe quel note-taker fait l'affaire). Vous enregistrez les réunions, et ça se remplit tout seul.

Astuce au passage : quand je lance une commande, je la cible avec @nom-du-projet. /facturation @Dupont et l'IA va chercher directement le contexte, la propale et le planning du bon projet.

La logique wiki : des index, pas des fichiers géants

Ne mettez pas toutes vos réunions dans un seul fichier interminable. Faites comme Wikipédia : des pages courtes reliées entre elles, et des pages sommaires qui servent d'index. Ma page réunions.md n'est pas mes réunions, c'est le sommaire de mes réunions. Ma page arbitrages.md liste les décisions : chacune avec une date, un identifiant (« la décision T2 », c'est plus rapide que de réexpliquer), un type, un résumé, et un lien vers la réunion source.

Deux conséquences pratiques. Un : j'inscris cette logique dans les instructions générales de mon agent, et je la répète dans chaque commande (« toute note créée doit être référencée dans l'index correspondant »). Deux : je lâche prise sur l'emplacement physique des notes. Les sommaires sont pour l'IA, pas pour moi. Tant qu'ils sont bons, c'est elle qui s'y retrouve, et c'est elle qui doit s'y retrouver.

La clôture : tout nettoyer, sauf les arbitrages

En fin de projet, l'IA fait le ménage : elle supprime les notes de travail, condense les réunions, garde le contexte, la propale et le planning. Une seule exception, non négociable : les arbitrages restent tels quels. Imaginez qu'un client revienne un an plus tard sur une décision. Ce fichier-là, c'est votre mémoire et votre protection.

La pépite : la rétro-ingénierie de session

La meilleure façon de créer un skill, ce n'est pas de le planifier à froid. C'est de faire une bonne session de travail avec l'IA (partir flou, tester, itérer) et une fois le résultat satisfaisant, lui demander de transformer la conversation en skill. Je systématise en même temps que je fais.

Prompt · rétro-ingénierieCopier

On vient de faire une grosse session et on est enfin arrivés à un résultat satisfaisant. Tu as vu comment je travaille et quelles sont les étapes de mon process. Transforme toute notre discussion en skill réutilisable : documente le déclencheur, les étapes, les fichiers concernés et les points où tu dois me demander validation.

02 · Orga : gagner en clarté

Le double CR : l'IA ne résume pas, elle interprète

C'est la pratique dont on m'a le plus parlé après la session. Une seule commande /cr_reunion, deux sorties :

Un CR client, envoyable : les arbitrages, les actions, le ton adapté au client (j'ai travaillé pour une administration publique où il fallait des minutes formelles, le template s'adapte).
Un CR interne, pour moi : les verbatims marquants du client, les points de tension détectés, les risques identifiés en croisant avec planning.md, les incohérences avec les décisions passées en croisant avec arbitrages.md.

Le CR client, n'importe quel outil de transcription sait à peu près le faire. Le CR interne, non. C'est là que l'IA change de nature : elle ne résume pas ce qui s'est dit, elle interprète ce qui s'est joué. Et le CR alimente automatiquement tâches.md avec les actions.

Pour calibrer le template, pas besoin d'imagination : donnez-lui vos dix derniers comptes rendus faits à la main.

Prompt · calibrer son template de CRCopier

Voici mes dix derniers comptes rendus de réunion. Analyse-les comme une banque d'exemples : structure, ton, niveau de détail, ce que je choisis de garder ou d'omettre. Puis adapte mon template de compte rendu pour qu'il produise exactement ce style.

Prompt · le double CR (à mettre dans votre commande)Copier

À partir de cette transcription de réunion, produis deux comptes rendus.
1. Un CR client, envoyable : décisions prises, actions avec responsables et échéances, ton professionnel sobre.
2. Un CR interne : les verbatims marquants du client (ses mots exacts), les points de tension implicites, les risques que tu identifies en croisant avec planning.md, et toute incohérence avec les décisions déjà actées dans arbitrages.md.
Ajoute les nouvelles actions dans tâches.md et référence la réunion dans l'index réunions.md.

Capturer tous les canaux

Un client, ce n'est pas que des réunions : c'est aussi des mails, des WhatsApp, des appels. Cartographiez vos canaux, puis créez une commande qui les scanne tous et transforme ce qui traîne en tâches. Chez moi, un connecteur pour la messagerie (Beeper centralise WhatsApp, Telegram, LinkedIn) et un pour le mail (Himalaya).

Le gain réel n'est pas le temps, c'est la charge mentale : je n'ai plus à me rappeler qu'un message attend une réponse. La prochaine fois que je m'assois devant mon ordinateur, tout a été capturé.

Le hand-off : l'IA manage votre outil de tâches

Sur la gestion des tâches, deux modèles se valent. Soit le second cerveau est votre cockpit unique. Soit, c'est mon cas, vous gardez un logiciel spécialisé, surtout s'il est partagé avec une équipe ou un client. La clé est alors de séparer les deux niveaux : le macro (sur quoi je veux avancer cette semaine) vit dans le second cerveau ; le micro (« envoie le PDF ») vit dans le logiciel. Et je ne gère pas le micro moi-même : c'est l'IA qui manage mon logiciel de tâches.

Concrètement, la passation (je l'appelle le hand-off) se fait en quatre temps :

Une review dans le second cerveau pose les priorités. La mienne est tous les trois jours : j'ai essayé le quotidien, c'était trop pour moi. Adaptez.
Je demande à l'IA un brief détaillé, dans la peau d'un CEO qui briefe ses équipes. La commande pose des questions de clarification, repêche les tâches en retard oubliées, et me demande mon niveau d'énergie (deep focus ou création) pour me proposer un plan qui me plaît.
Ce brief part vers l'outil de tâches : en automatique s'il a un connecteur MCP (Notion, par exemple), en copier-coller dans son chatbot sinon. Et le copier-coller marche très bien.
Je relis ce que l'IA propose de déplacer ou de supprimer. La revue reste humaine.

Prompt · le hand-offCopier

Voici mes priorités de la semaine, issues de ma dernière review. Avant de faire quoi que ce soit : pose-moi tes questions de clarification, signale-moi les tâches en retard que j'aurais oubliées, et demande-moi mon niveau d'énergie (deep focus ou création).
Ensuite, rédige un brief très détaillé, comme un CEO qui briefe ses équipes, à destination de mon outil de gestion de tâches : réarrange les tâches existantes pour qu'elles correspondent à mes priorités, et liste explicitement celles que tu proposes de reporter ou de supprimer, pour que je valide.

La clôture qui impressionne : rapport, upsell, post-mortem

La fin de projet est le moment où tout ce qui précède paie. Comme tout est enregistré depuis le premier jour, la clôture devient un moment de valeur au lieu d'une corvée. Ma commande de clôture produit trois choses :

Un rapport de clôture client : dates, jalons, rappel du contexte et de la finalité, livrables produits, arbitrages pris. C'est le document qu'on ne fait jamais parce qu'on n'a pas le temps. Mes clients adorent : « le projet a duré trois mois, on a tenu 57 réunions, voici les décisions structurantes ».
Des perspectives d'upsell : l'IA scanne le projet et propose des suites. Un conseil si vos offres sont standardisées : bridez sa créativité pour que les suggestions se rattachent à vos offres existantes, sinon vous ne passerez jamais à l'échelle.
Un post-mortem : ce qui a marché, ce qui a moins marché, ce que je ferais différemment, et les enseignements sont rapatriés dans ma base transverse, pas enterrés dans le dossier du projet. Je ne fais que reprendre ce que font les meilleurs, et je l'automatise.

Prompt · la clôture de projetCopier

On clôture ce projet. Dans l'ordre :
1. Nettoie : supprime les notes de travail intermédiaires, condense les notes de réunion, garde contexte.md, propale.md et planning.md. Ne touche pas à arbitrages.md : il reste tel quel.
2. Génère un rapport de clôture client : dates de début et de fin, grands jalons, paragraphe de rappel du contexte et de la finalité, livrables produits, arbitrages pris.
3. Propose des perspectives de suite pour ce client, en te limitant strictement à mes offres existantes décrites dans [fichier offres].
4. Rédige un post-mortem : ce qui a marché, ce qui a moins marché, ce que je devrais faire différemment. Rapatrie les enseignements réutilisables dans [fichier de capitalisation].
5. Archive le projet.

03 · Delivery : gagner en qualité

Les intérêts composés de la chaîne

On n'automatise pas un livrable de bout en bout. Même avec les meilleurs modèles, « écris-moi le rapport » produit un rapport médiocre. La bonne unité d'automatisation est plus petite : toute tâche contient implicitement quatre étapes, planifier, exécuter, relire, capitaliser. Mettez un peu d'IA à chaque étape, et les micro-gains se composent. Le résultat final est plusieurs fois meilleur que ce que vous auriez fait seul, et que ce que l'IA aurait fait seule.

Mon temps humain, je le passe sur le plan. C'est le nerf de la guerre : pour avoir une bonne solution, il faut d'abord bien poser le problème. Une fois le plan solide, l'exécution et la relecture sont déléguées, et je n'interviens que sur le résultat.

La review par sous-agents

Ma commande de review (adaptée du plugin Compound du média Every, je n'ai rien inventé) lance plusieurs sous-agents, chacun avec un angle : cohérence avec le contexte et la propale, respect du planning, fact-checking (pas de chiffres inventés), qualité éditoriale, alignement avec le brief. Le rapport de sortie est priorisé : critique, important, mineur. Si j'ai quatre heures, je passe tout en revue ; si j'en ai deux, je ne regarde que le critique et l'important. Le temps disponible fait partie du process.

Ne générez jamais un PowerPoint directement

L'astuce qui a le plus servi pendant la session. Les formats propriétaires (PowerPoint, Word) sont lourds à manipuler pour une IA : lents, coûteux en tokens, résultats décevants. Faites comme les designers avec leurs maquettes (lo-fi, mid-fi, hi-fi) :

ASCII : de simples croquis en texte brut dans un fichier markdown. « Propose-moi cinq layouts différents pour cette slide de benchmark » prend quelques secondes et ne coûte presque rien. Je choisis, on itère.
HTML : la version proche du rendu final, avec la charte : couleurs, logo, type de graphique.
Le format final : PowerPoint, PDF, Word, seulement à la toute fin, par simple demande de conversion. Pas besoin d'outil dédié.

Explorer en texte, itérer en HTML, convertir à la fin. Demander directement « génère-moi six slides PowerPoint » prendrait de longues minutes par essai, pour un résultat rarement satisfaisant.

Prompt · maquettes ASCII puis HTMLCopier

Je veux créer une slide de [sujet, ex. benchmark de quatre solutions]. Propose-moi cinq layouts différents en format ASCII, dans un fichier markdown : varie les dispositions (tableau, cartes comparatives, matrice, jauges, score global). Une fois que j'aurai choisi, tu la passeras en HTML avec ma charte : [couleurs, logo, type de graphique].

Dernier détail de tuyauterie : en entrée, convertissez un maximum de documents en markdown (MarkItDown de Microsoft fait très bien le travail ; vérifiez à la main les fichiers qui contiennent des schémas). Mais gardez vos exemples de livrables au format original : l'IA doit voir à quoi ressemble le rendu attendu, les titres en bleu et les encadrés compris.

Adopter les skills des autres, sans se faire imposer leur cadre

Des skills partagés, il y en a partout, et le réflexe naturel est de les installer tels quels. Ne le faites jamais : vous vous retrouveriez à travailler dans le cadre de pensée de quelqu'un d'autre, et parfois vous avez déjà l'équivalent sous une autre forme. Mon protocole en trois temps :

L'IA analyse le skill à la lumière de mon contexte et de mes skills existants.
Elle me dit si ça vaut le coup, et comment l'adapter.
Elle m'interviewe pour le customiser.

Et pour départager plusieurs skills qui font la même chose, faites-les noter. Pour mon compte rendu de réunion, j'ai récupéré tous les skills de CR partagés sur GitHub, je les ai fait noter de 1 à 10 par l'IA, j'ai éliminé les moins bons et pillé les meilleurs pour améliorer le mien.

Prompt · adopter un skill externeCopier

Voici un skill trouvé en ligne : [lien ou contenu]. D'après ce que tu sais de mon contexte, de ma manière de travailler et de mes skills existants :
1. Analyse-le et compare-le à ce que j'ai déjà : note chacun de 1 à 10, avec les avantages et les inconvénients.
2. Dis-moi s'il vaut le coup d'être installé, et ce qu'il faudrait adapter.
3. Si oui, interviewe-moi (questions une par une) pour le customiser à mon système avant de l'installer.

Par où commencer

Si vous partez de zéro, trois conseils, dans cet ordre.

S'inspirer des meilleurs. Les grands cabinets de conseil savent cartographier des process, c'est leur métier. Prenez un article ou un livre d'un expert de votre domaine, donnez-le à l'IA : « quels learnings, et quels process je peux en tirer ? ». Ça évite la page blanche sans vous imposer un cadre.

Cartographier grossièrement. Pas besoin d'un audit de trois semaines : « j'ai en gros quatre catégories d'activités » suffit pour démarrer avec une vision d'ensemble.

Construire au fur et à mesure. Il n'y a aucune injonction à tout planifier en amont. Mon système est le fruit de plusieurs mois : à chaque tâche non urgente, cinq minutes pour créer la commande à la volée, puis on itère. Les process sont faits pour évoluer : au début, le compte rendu de réunion, c'est juste « corrige les fautes », puis « structure », puis « rédige de bout en bout », puis « récupère la transcription, rédige et prépare l'envoi ».

Surtout, n'installez pas cinquante skills d'un coup. Avec l'IA, le goulot d'étranglement, c'est notre lenteur humaine, et c'est une bonne chose. Elle vous force à garder la maîtrise, à savoir pourquoi vous faites chaque chose et pourquoi vous la faites comme ça. Le jour où vous passez en pilote automatique, vous avez perdu la finalité.

Dernier point : le système est vivant. Votre activité évolue, vos process aussi. Une fois par trimestre, je passe mes skills en revue : lesquels mutualiser, lesquels supprimer, lesquels je n'utilise jamais (la plupart des agents savent vous dire quels skills vous avez réellement appelés le mois dernier).

Un bon système n'est pas un système parfait. C'est un système qu'on utilise, qu'on comprend, et qu'on fait évoluer. Faites votre marché.

Ne dites plus « mon agent IA »

Thu, 11 Jun 2026 00:00:00 GMT

L'incident

Curieusement, pour deux adeptes de l'IA, Jean-Baptiste et moi sommes partisans de la doctrine « Il est urgent d'attendre ».

Face aux promesses des OpenClaw, Hermès et autres assistants IA auto-apprenants, qui se souviennent de vous, anticipent vos besoins, agissent à votre place, nous avons tout documenté : objectifs annuels, préférences, méthodes de travail. Il ne restait plus qu'à brancher ce second cerveau artificiel, d'un clic.

Les premiers résultats étaient à la hauteur de la promesse... jusqu'à ce qu'ils ne le soient plus. Nos assistants, jusque-là redoutablement pertinents, donnaient des réponses creuses. Des mots en russe ou en chinois se sont glissés dans nos mails. Une mise à jour nocturne des modèles avait changé leur comportement, nous forçant à reconfigurer nos prompts (NdlR : instructions envoyées à l'IA).

Rien de critique en apparence. Mais c'était un premier signe de dépendance aux conditions imposées par les fournisseurs d'IA. Contrairement à une application classique, impossible de refuser la mise à jour, puisque les anciennes versions sont dépréciées dès la sortie de la nouvelle, ni de savoir ce qui a changé. Il ne reste que l'ajustement empirique, jusqu'à la prochaine mise à jour.

C'était le signal d'un glissement silencieux. Habitués à la pertinence de l'IA, notre vigilance s'était relâchée — pilote automatique. Il a fallu une anomalie flagrante pour s'en apercevoir. Combien d'hallucinations (NdlR : fausse information produite par l'IA) plus discrètes avaient déjà influencé nos décisions ?

C'est l'effet Sixième Sens. Dans ce film de Shyamalan sorti en 1999, un psychiatre incarné par Bruce Willis tente d'aider un petit garçon. À la chute, on découvre que le personnage principal était mort depuis le début, et tout le film se relit autrement. Ce caractère chinois dans nos mails ? Le signe qu'un paramètre d'entrée était déjà là, avant qu'on configure quoi que ce soit.

D'où vient ce paramètre d'entrée ? Sommes-nous, comme les spectateurs d'un film, condamnés à l'illusion de la liberté, ou peut-on reprendre la main sur notre IA ?

En 2026, selon l'Apec, un cadre sur deux utilise l'IA générative dans son travail, contre à peine plus d'un tiers un an plus tôt. Chez Accenture, la maîtrise de l'IA est désormais évaluée en entretien annuel.

L'IA s'est imperceptiblement glissée dans la prise de décision, à tous les niveaux.

Le prompt est la partie émergée de l'iceberg

Partout, le même discours circule : l'IA est une technologie neutre ; la qualité des réponses dépend de la qualité des questions. Si l'IA vous déçoit, formez-vous. Apprenez à la paramétrer. Assurez-vous que l'humain reste dans la boucle.

Toute une discipline s'est bâtie là-dessus. D'abord le prompt engineering : l'art de parler à l'IA : lui donner un rôle, du contexte, une tâche précise, des contraintes, comme on brieferait un nouveau collaborateur. Puis le context engineering, un cran au-dessus : transformer la connaissance de l'entreprise en actif pérenne, une mémoire qui s'enrichit au fil du temps. Et désormais le harness engineering : concevoir l'environnement entier autour du modèle, les outils auxquels l'IA peut se connecter.

Toute cette maîtrise a une limite : en 2025, OpenAI a provoqué un tollé en annonçant du jour au lendemain le lancement de GPT-5 et le retrait de GPT-4o, alors que le nouveau modèle répondait de façon fondamentalement différente de son prédécesseur.

Ce discours sur la responsabilité individuelle n'est pas neutre : il rappelle les débats autour du Digital Services Act, applicable depuis février 2024, qui impose aux grandes plateformes des obligations de transparence et de modération des contenus contre les fake news.

Or, OpenAI, qui répond en tout point à la définition d'une grande plateforme numérique avec ses 900 millions d'utilisateurs hebdomadaires, n'est-elle pas la première à garder secret le fonctionnement de ses modèles propriétaires, et à assumer leurs hallucinations ?

Les 4 paramètres d'entrée

« Notre IA » résulte de quatre strates en cascade.

1
Tout en bas : le Large Language Model, le modèle d'IA construit par un laboratoire. C'est le patrimoine génétique de l'IA. Entraîné sur une masse de textes, il en hérite la vision du monde : une façon d'écrire, de classer, de hiérarchiser, quelle que soit la langue dans laquelle on l'interroge. Ce patrimoine dépasse les données d'entraînement : certains laboratoires y encodent leurs valeurs. Anthropic a publié début 2026 une « constitution morale » qui définit Claude avant même sa première réponse. L'IA reste le reflet d'une civilisation et de ses cultures.
2
Au-dessus : le system prompt, la configuration injectée par le fournisseur du modèle. C'est la personnalité de l'IA. Un fournisseur peut y superposer ses propres instructions : sujets autorisés, mode d'expression. Posez la même question de société à Claude et à Grok, l'IA qu'Elon Musk a lancée en 2023 en réaction à ce que son camp moquait sous le surnom de « WokeGPT ». La comparaison des deux réponses suffit.
3
Encore au-dessus : le harnais, l'équipement dont un éditeur enveloppe l'IA. C'est le comportement de l'IA. Il ajoute une couche de consignes qui définit ce que l'IA peut faire (génération d'images, recherche en ligne, documents) et dans quel environnement. Un même modèle, dans deux applications, n'a pas les mêmes capacités.
4
Et tout en haut : le user prompt, la marge d'action laissée à l'utilisateur, et qui est présentée comme la plus déterminante. Il ne permet pas de modifier le raisonnement et le comportement de l'IA, mais de l'orienter vers une action.

Cela ne veut pas dire une absence totale de maîtrise, ni un effort de configuration vain. C'est un prérequis pour réussir ses automatisations : l'enjeu d'efficacité que la plupart recherchent, pour l'instant.

Le véritable enjeu : une IA de plus en plus autonome et proactive. Les laboratoires visent déjà à doter chaque humain d'un double numérique capable d'agir en notre nom.

L'enquête en quatorze volets, de l'incident aux quatre couches, jusqu'à la question de la signature. Faites défiler avec les flèches ← / →.

Laisseriez-vous « votre » IA signer à votre place ?

On compare souvent l'IA à un collaborateur virtuel. Avec un humain, la responsabilité se partage, ou s'assume par accord tacite. Avec l'IA, cet accord est rompu. Vous rédigez un mémo avec l'IA ? C'est votre nom dessus. Pas celui d'OpenAI.

L'agentique dote l'IA de capacités d'action croissantes : envoyer des mails, remplir des documents, effectuer des achats, alors que la décision reste difficilement auditable. En 2024, Air Canada a dû honorer un remboursement indu promis par son propre chatbot. Dans une organisation qui déploie des dizaines d'agents, à l'ère du shadow AI (NdlR : l'utilisation d'IA par des collaborateurs sans l'approbation de la direction informatique), la responsabilité n'est pas optionnelle.

Au-delà de l'entreprise, c'est une question de contrat social. Nos civilisations ont mis des siècles à bâtir des mécanismes, sociaux ou légaux, pour reconnaître la légitimité d'une source ou d'une action.

Certains pays franchissent déjà le pas avec l'IA. En Argentine, le président Milei a déposé fin mai 2026 un projet de loi créant une nouvelle catégorie juridique : la « société automatisée » (non-human corporation), une entité opérée par des agents IA, sans actionnaire humain obligatoire, à responsabilité plafonnée.

« Ce qui est inédit, c'est donner à un agent IA sa propre personnalité juridique, avec une responsabilité limitée et sans exiger un humain derrière, résume l'avocat Pablo Serdán. C'est une expérience, pas la copie d'un modèle éprouvé. »

Si le projet passe, ce sera une première mondiale.

Sur le plan technique, d'autres réponses, issues des technologies de la blockchain, existent déjà : le Zero-Knowledge Proof pour prouver son identité sans la révéler, ou encore les Soulbound Tokens pour attacher une preuve à une identité non-transférable. La blockchain pourrait-elle devenir l'infrastructure sociale native des agents ?

À condition que chaque humain soit convaincu d'être le propriétaire de « son » agent IA.

Article rédigé par Julie Baillon et Jean-Baptiste Durand, en collaboration avec nos IA.